Sesión 2
Curso: R para usuarios de Stata
Percy Soto-Becerra, M.D., M.Sc(c)
InkaStats Academy | Medical Branch
2023
https://github.com/psotob91
Conjunto de datos rectangular
En investigación, las bases de datos se organizan en
tablas rectangularesestructuradas.- Cada fila es una
observación - Cada columna es una
variable
- Cada fila es una
Adaptado de Smit Aj, Abrahams A & Schlegel RW. Intro R Workshop: Data Manipulation, Analysius, and Visualization.
Datos en Stata y R
Con el comando oficial
frame, Stata también puede trabajar con múltiplesdata frames(Más info aquí)Uno puede observar y manipular un solo
data framea la vez.- Tiene que estar cambiando de
frameconstantemente.
- Tiene que estar cambiando de
R tiene varios tipos de base de datos rectangulares:
- data.frames, data tibbles, data.tables, etc…
Puede manipular todos a la vez en una sola sesión.
No tiene que estar cambiando de vista de una base de datos a otra.
Vectores como átomos de R
Vectores se limitan a
un solo tipo de dato.Conforman
diversas estructuras: matrices, arreglos, listas, etc.Usaremos principalmente data frames y data tibbles.
Los data frames y tibbles:
Son columnas de vectores.
Cada vector puede ser de distinto tipo.
Los data frames y tibbles:
- Almacenan más de un tipo de dato: integer, double, character, logic, factor, etc.
Vectores y data frame / data tibble en R
Datos perdidos
Los datos perdidos son
números infinitosrepresentados por un punto.Hay infinitos más grandes que otros. Stata lo sabe:
.a,.b,.c, …- Donde
.<.a<.b<.c…
Los infinitos al operarse aritméticamente con otros valores vuelven infinito el resultado (
dato perdido).
En R, los datos perdidos son representados como
NA, los cuales no son números.NA= “not available”- Son
boleanos.
El operar con un
NApuede crear unNAo resultar enerror.
Otros valores especiales
- Stata no maneja otros valores especiales.
R también maneja infinitos y otro tipo de valores
"especiales":-Inf,Inf,NaN
Infy-Inf: números demasiado grandes o pequeños.NaN: “not at number” (indeterminadoosin sentido)Son los únicos boleanos que pueden estar dentro de vectores de otro tipo no lo coercionan.
¿Cómo obtener más información?
Importar datos de fuentes externas a R
El paquete {rio} es la navaja suiza
de la importación de datos en R.
Su función import
permite importar
prácticamente
cualquier formato.
Abrir conjunto de datos
import delimited “filepath.csv”, clear
import(“filepath.csv”)
import delimited “filepath.txt”, clear
import(“filepath.txt”)
import excel “filepath.xlsx”, clear
import(“filepath.xlsx”)
use “filepath.dta”, clear
import(“filepath.dta”)
import spss “filepath.sav”, clear
import(“filepath.sav”)
import sas “filepath.sas7bdat”, clear
import(“filepath.sas7bdat”)
/* No posible aún */
import(“filepath.rda”)
/* No posible aún */
import(“filepath.rds”)
¿Cómo importar metadatos de Stata o SPSS?
Son los
datosde losdatos.Dos metadatos bastante usados son:
Etiquetasde lavariableEtiquetasde losvaloresde la variable
Importar datos Stata solo con import()
- Las etiquetas de valor para
time,treat,marriedymarried2se pierden.
country year infant_mortality
1 1 1960 115.40
2 2 1960 148.20
3 3 1960 208.00
4 4 1960 NA
5 5 1960 59.87
6 6 1960 NAUsar import() más characterize()
- Las etiquetas de valor para
time,treat,marriedymarried2se recuperan
country year infant_mortality
1 Albania 1960 115.40
2 Algeria 1960 148.20
3 Angola 1960 208.00
4 Antigua and Barbuda 1960 NA
5 Argentina 1960 59.87
6 Armenia 1960 NAImportar datos SPSS solo con import()
- Las etiquetas de valor para
time,treat,marriedymarried2se pierden.
country year infant_mortality
1 1 1960 115.40
2 2 1960 148.20
3 3 1960 208.00
4 4 1960 NA
5 5 1960 59.87
6 6 1960 NAUsar import() más characterize()
- Las etiquetas de valor para
time,treat,marriedymarried2se recuperan
country year infant_mortality
1 Albania 1960 115.40
2 Algeria 1960 148.20
3 Angola 1960 208.00
4 Antigua and Barbuda 1960 NA
5 Argentina 1960 59.87
6 Armenia 1960 NAExportar conjunto de datos
export delimited “filepath.csv”, clear
export(“filepath.csv”)
export delimited “filepath.txt”, clear
export(“filepath.txt”)
export excel “filepath.xlsx”, clear
export(“filepath.xlsx”)
use “filepath.dta”, clear
export(“filepath.dta”)
export spss “filepath.sav”, clear
export(“filepath.sav”)
export sas “filepath.sas7bdat”, clear
export(“filepath.sas7bdat”)
export sas “filepath.rda”, clear
export(“filepath.rda”)
export sas “filepath.rds”, clear
export(“filepath.rds”)
El operador Pipe
En programación, un
pipees una técnica para transmitir información de un proceso a otro.
En R, hay dos operadores pipe:
pipe de tidyverse:
%>%pipe nativo (de R base):
|>
En este curso, usaremos el pipe de tidyverse:
%>%El operador pipe de tidyverse es del paquete {magrittr}, que no necesita ser cargado si es que se carga {tidyverse}.
El paquete {dplyr}
- El paquete {dplyr} es una ‘suite’ de funciones para manipular data frame.
| Verbos | Función |
|---|---|
| Extrae filas con filter() | 
|
| Extrae columnas con select() | 
|
| Reordena filas con arrange() | 
|
| Crea nuevas / remplaza columnas con mutate | 
|
| Haz resumenes agrupados con group_by() y summarize() | 
|
Seleccionar columnas
keep edad sexo
select(datos_vac, edad, sexo) # dplyr sin pipe
datos_vac %>% select(edad, sexo) # dplyr con pipe
datos_vac %>%
select(edad, sexo) # pipe y buena práctica de estilo
Seleccionar columnas
keep edad sexo
select(datos_vac, edad, sexo) # dplyr sin pipe
datos_vac %>% select(edad, sexo) # dplyr con pipe
datos_vac %>%
select(edad, sexo) # pipe y buena práctica de estilo
Atajos para seleccionar columnas
- Stata ofrece
comodinesowildcardscomo atajos de código para seleccionar columnas.
- En R, {tidyverse} ofrece
funciones auxiliaresohelpersque tienen la misma función que los comodines de Stata.
keep fecha_vacuna*
datos_vac %>%
select(starts_with(“fecha_vacuna”))
Atajos para seleccionar columnas
- Stata ofrece
comodinesowildcardscomo atajos de código para seleccionar columnas.
- En R, {tidyverse} ofrece
funciones auxiliaresohelpersque tienen la misma función que los comodines de Stata.
keep fecha_vacuna*
datos_vac %>%
select(starts_with(“fecha_vacuna”))
Eliminar columnas
drop edad sexo
select(-datos_vac, -edad, -sexo) # dplyr sin pipe
datos_vac %>% select(-edad, -sexo) # dplyr con pipe
datos_vac %>%
select(-edad, -sexo) # pipe y buena práctica de estilo
Renombrar columnas
- Se puede renombrar a la columna mediante el comando
rename. - 1 nombre
antiguo2 nombrenuevo.
- Se puede renombrar a la columna mediante la función
rename()de {dplyr}.
- 1 nombre
nuevo2 nombreantiguo.
rename region departamento
datos_vac %>%
rename(departamento = region)
Renombrar varias columnas
Un
renamepor renombre.Genera código redundante.
Un solo
rename().Código menos redudante.
rename region departamento
rename muerte_covid muerte
rename fecha_vacuna1 fech_vac1
datos_vac %>%
rename(departamento = region,
muerte = muerte_covid,
fech_vac1 = fecha_vacuna1)
Reordenar columnas
Se usa el comando
order:- Varios argumentos controlan el proceso
first(por defecto),before,after, …
Con {dplyr} hay dos opciones:
select()relocate()
order id /* Equivale: order id, first */
datos_vac %>%
select(id, everything())
order id sexo edad muerte_covid
datos_vac %>%
select(id, sexo, edad, muerte_covid, everything())
order fecha_muerte, before(infeccion_previa)
datos_vac %>%
relocate(id, .before = infeccion_previa)
order fecha_muerte, after(fecha_vacuna4)
datos_vac %>%
relocate(id, .after = fecha_vacuna4)
Crear nueva columna
- El comando
generatecrea columnas nuevas en Stata. - 1 nombre
nuevo2 valor o regla.
- La función
mutate()de {dplyr} equivale agenerate. - 1 nombre
nuevo2 valor o regla.
gen nueva_variable = 1
datos_vac %>%
mutate(nueva_variable = 1)
Crear varias columnas
Un
generatepor renombre.Genera código redundante.
Un solo
mutate().Código menos redudante.
gen nueva_variable1 = 1
gen nueva_variable2 = “1”
gen nueva_variable3 = “prueba”
datos_vac %>%
mutate(nueva_variable1 = 1,
nueva_variable2 = “1”,
nueva_variable3 = “prueba”)
Modificar solo ciertas filas de una columna
- El comando
replacemodifica columnas en Stata.
- La función
mutate()de {dplyr} también equivale areplace.
replace sexo = “0” if sexo == “Female”
datos_vac %>%
mutate(sexo = case_when(sexo == “Female” ~ “0”,
TRUE ~ sexo))
Crear una variable en base a una condición
gen sexo2 = .
datos_vac %>%
mutate(sexo2 = case_when()
Crear una variable en base a una condición
gen sexo2 = .
replace sexo2 = 0 if sexo == “Female”
datos_vac %>%
mutate(sexo2 = case_when(
sexo== “Female” ~ 0
)
)
Crear una variable en base a una condición
gen sexo2 = .
replace sexo2 = 0 if sexo == “Female”
replace sexo2 = 1 if sexo == “Male”
datos_vac %>%
mutate(sexo2 = case_when(
sexo == “Female” ~ 0,
sexo== “Male” ~ 1
)
)
Crear una variable en base a una condición
gen sexo2 = .
replace sexo2 = 0 if sexo == “Female”
replace sexo2 = 1 if sexo == “Male”
datos_vac %>%
mutate(sexo2 = case_when(
sexo == “Female” ~ 0,
sexo == “Male” ~ 1,
TRUE ~ as.numeric(NA)
)
)
Crear una variable en base a una condición
gen sexo2 = .
replace sexo2 = 0 if sexo == “Female”
replace sexo2 = 1 if sexo == “Male”
datos_vac %>%
mutate(sexo2 = case_when(
sexo == “Female” ~ 0,
sexo == “Male” ~ 1,
TRUE ~ as.numeric(NA)
)
)
Crear una variable en base a una condición - Otro ejemplo
gen edad_cat = .
datos_vac %>%
mutate(edad_cat = case_when())
Crear una variable en base a una condición - Otro ejemplo
gen edad_cat = .
replace edad_cat = 1 if edad < 35
datos_vac %>%
mutate(edad_cat = case_when(
edad< 35 ~ 1
))
Crear una variable en base a una condición - Otro ejemplo
gen edad_cat = .
replace edad_cat = 1 if edad < 35
replace edad_cat = 2 if edad >= 35 & edad < 60
datos_vac %>%
mutate(edad_cat = case_when(
edad < 35 ~ 1,
edad>= 35 & edad < 60 ~ 2
))
Crear una variable en base a una condición - Otro ejemplo
gen edad_cat = .
replace edad_cat = 1 if edad < 35
replace edad_cat = 2 if edad >= 35 & edad < 60
replace edad_cat = 3 if edad >= 60 & edad < .
datos_vac %>%
mutate(edad_cat = case_when(
edad < 35 ~ 1,
edad >= 35 & edad < 60 ~ 2,
edad>= 60 ~ 3
))
Crear una variable en base a una condición - Otro ejemplo
gen edad_cat = .
replace edad_cat = 1 if edad < 35
replace edad_cat = 2 if edad >= 35 & edad < 60
replace edad_cat = 3 if edad >= 60 & edad < .
datos_vac %>%
mutate(edad_cat = case_when(
edad < 35 ~ 1,
edad >= 35 & edad < 60 ~ 2,
edad >= 60 ~ 3,
TRUE ~ as.numeric(NA)))
Crear una variable en base a una condición - Otro ejemplo
gen edad_cat = .
replace edad_cat = 1 if edad < 35
replace edad_cat = 2 if edad >= 35 & edad < 60
replace edad_cat = 3 if edad >= 60 & edad < .
datos_vac %>%
mutate(edad_cat = case_when(
edad < 35 ~ 1,
edad >= 35 & edad < 60 ~ 2,
edad >= 60 ~ 3,
TRUE ~ as.numeric(NA)))
Selección de filas basado en el índice
keep in 6
keep if _n == 6
slice(datos_vac, 6) # dplyr sin pipe
datos_vac %>% slice(6) # dplyr con pipe
datos_vac %>%
slice(6) # pipe y buena práctica de estilo
Selección de filas basado en el índice
keep in 6
keep if _n == 6
slice(datos_vac, 6) # dplyr sin pipe
datos_vac %>% slice(6) # dplyr con pipe
datos_vac %>%
slice(6) # pipe y buena práctica de estilo
Selección de filas basado en condición
keep if sexo == “Male”
filter(datos_vac, sexo == “Male”) # dplyr sin pipe
datos_vac %>% filter(sexo == “Male”) # dplyr con pipe
datos_vac %>%
filter(sexo == “Male”) # pipe y buena práctica de estilo
set_var_labels() en acción
https://github.com/psotob91
percys1991@gmail.com